仅测量一次：面向单次量子机器学习模型的设计
机器学习
2025-09-25 v1 量子物理
摘要
量子机器学习（QML）模型通常依赖于对可观测量的重复测量（shots）以获得可靠预测。这种对大量shot预算的依赖导致高推断成本和时间开销，这在量子硬件访问按shot数量计费的情况下尤为突出。本文提出You Only Measure Once（Yomo），一种简单而有效的设计，实现准确推断所需的测量次数大幅减少，甚至可降至单次测量范畴。Yomo将Pauli期望值输出替换为概率聚合机制，并引入鼓励预测锐化的损失函数。我们的理论分析表明，Yomo避免了基于期望值的模型固有的shot规模限制，我们的实验在MNIST和CIFAR-10上表明，Yomo在不同shot预算下以及在加入depolarizing信道的仿真环境中持续优于基线方法。通过实现准确的单次测量推断，Yomo显著降低了部署量子机器学习的财务和计算成本，从而降低了其实际采用的门槛。
引用
@article{arxiv.2509.20090,
title = {You Only Measure Once: On Designing Single-Shot Quantum Machine Learning Models},
author = {Chen-Yu Liu and Leonardo Placidi and Kuan-Cheng Chen and Samuel Yen-Chi Chen and Gabriel Matos},
journal= {arXiv preprint arXiv:2509.20090},
year = {2025}
}